import torch
import matplotlib.pyplot as plt
from torch import nn
import torch.optim as optim
import torch.nn.functional as F
from torchvision import datasets, transforms
from torch.utils.data import DataLoader

from main import optimizer

# 设置超参数
batch_size = 64

# 定义预处理步骤
transform = transforms.Compose([
    transforms.ToTensor(),  # 转换为张量，范围 [0,1]
    transforms.Normalize((0.1307,), (0.3081,))  # 标准化：均值、方差是 MNIST 的经验值
])

# 加载训练集
train_dataset = datasets.MNIST(
    root='./data',       # 数据存放路径
    train=True,          # 训练集
    download=True,       # 如果没有就下载
    transform=transform  # 应用预处理
)

# 加载测试集
test_dataset = datasets.MNIST(
    root='./data',
    train=False,         # 测试集
    download=True,
    transform=transform
)

# 构建 DataLoader
train_loader = DataLoader(
    dataset=train_dataset,
    batch_size=batch_size,
    shuffle=True         # 打乱数据，适合训练
)

test_loader = DataLoader(
    dataset=test_dataset,
    batch_size=batch_size,
    shuffle=False        # 测试集不需要打乱
)

# 简单测试一下
print(f"训练集大小: {len(train_dataset)}")
print(f"测试集大小: {len(test_dataset)}")

# 取一个 batch 看看形状
images, labels = next(iter(train_loader))
print(f"图片批次维度: {images.shape}")   # [batch_size, 1, 28, 28]
print(f"标签批次维度: {labels.shape}")   # [batch_size]

class CNN(nn.Module):
    def __init__(self):
        super(CNN, self).__init__()
        self.c1 = nn.Conv2d(1, 16, 3, padding=1)
        self.c2 = nn.Conv2d(16, 32, 3, padding=1)
        self.c3 = nn.Conv2d(32, 64, 3, padding=1)
        self.pool = nn.MaxPool2d(2, 2)
        self.linear0 = nn.Linear(64 * 7 * 7, 128)  # 注意这里是14*14，如果只池化一次，池化一次减半
        self.linear1 = nn.Linear(128, 64)
        self.linear2 = nn.Linear(64, 32)
        self.linear3 = nn.Linear(32, 10)
        self.drop = nn.Dropout(p=0.31)  # 丢弃概率

    def forward(self, x):
        x = F.relu(self.c1(x))
        x = self.pool(F.relu(self.c2(x)))  # [batch,32,14,14] → pool → [batch,32,7,7]
        x = self.pool(F.relu(self.c3(x)))
        x = x.view(x.size(0), -1)  # flatten
        x = F.relu(self.linear0(x))
        x = F.relu(self.linear1(x))
        x = self.drop(x)
        x = F.relu(self.linear2(x))
        x = self.linear3(x)
        return x

ez = CNN()

criterion = nn.CrossEntropyLoss()
optimizer = optim.AdamW(ez.parameters(), lr=0.001)

for i in range(10):
    ez.train()
    for images, labels in train_loader:
        out = ez(images)
        loss = criterion(out, labels)
        #反向传播
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()
        print(f"<UNK>: {loss}")

#训练结束
ez.eval()  # 关闭 dropout/batchnorm 等训练特性

correct = 0
total = 0

with torch.no_grad():  # 测试不需要计算梯度，节省显存
    for images, labels in test_loader:
        outputs = ez(images)                       # [batch_size, 10]

        # 取每行最大值对应的索引作为预测类别
        _, predicted = torch.max(outputs, 1)

        total += labels.size(0)
        correct += (predicted == labels).sum().item()

print(f"测试集准确率: {correct}/{total} = {correct/total*100:.2f}%")

主体是CNN类和后面的训练过程，一开始只使用了MLP，测试效果准确率只有96%，使用CNN之后进行了多次训练 - for i in range(10)，效果显著，准确率达到了99.24%